class: inverse,left, middle background-image: url(data:image/png;base64,#background.png) background-size: cover <img src="data:image/png;base64,#LOGO_DIPLOMADO.png" width="500px"/> ##Módulo 2: Percepción Remota Satelital óptica ### Procesamiento Digital (Parte 1) Matías Olea <br> <a href="https://orcid.org/0000-0003-0194-7784"> ORCID </a><br> matias.olea@pucv.cl</a><br> .large[<b><a href="https://www.pucv.cl/uuaa/site/edic/base/port/labgrs.html">LabGRS</a> | Agosto 2022</b>] <br> --- class: center,middle background-image: url(data:image/png;base64,#labgrs_logo.png) background-size: 35% --- ## ¿Qué aprenderemos en esta unidad? Aprenderemos ... -- 1) Combinaciones de bandas. -- 2) Calibración radiométrica. -- 3) Corrección Atmosférica. -- 4) Aplicación de filtros de calidad de la información satelital. -- 5) Compensación topográfica por ilumiación. -- 6) Mosaico de imágenes (Fusión por histogramas y Unión simple). -- 7) Métodos de Pansharpening. --- ### Aplicación Cualitativa <center><img src="data:image/png;base64,#firma.png" width="600px"/></center> .footnote[ <span style="font-size:9pt"> Ilustración: Jeannie Allen, https://science.nasa.gov/ </span> ] --- ### Aplicación Cualitativa <center><img src="data:image/png;base64,#ojo.png" width="1000px"/></center> --- ### Aplicación Cualitativa <center><img src="data:image/png;base64,#canales.png" width="1000px"/></center> --- ### Aplicación Cualitativa <center><img src="data:image/png;base64,#combinacion1.png" width="1000px"/></center> --- ### Aplicación Cualitativa <center><img src="data:image/png;base64,#combinacion2.png" width="800px"/></center> --- ### Aplicación Cualitativa <center><img src="data:image/png;base64,#combinacion3.png" width="1000px"/></center> --- ### Aplicación Cualitativa <center><img src="data:image/png;base64,#combinacion4.png" width="800px"/></center> --- ### Aplicación Cualitativa <center><img src="data:image/png;base64,#combinacion5.png" width="1000px"/></center> --- ### Aplicación Cualitativa <center><img src="data:image/png;base64,#combinacion6.png" width="800px"/></center> --- ### Flujo de Trabajo: Ejemplo Landsat <center><img src="data:image/png;base64,#linea_procesamiento.png" width="900px"/></center> --- ### Flujo de Trabajo: Ejemplo Landsat #### Avances de la Coleccion 2 - Se **mejora en la precisión geométrica**. Landsat se unió al sistema de referencia (puntos de control en terreno) de la ESA. - Se **mejora el Modelo de Elevación Global (DEM)**. Se recalcularon algunos modelos de elevación (SRTM) incorporando información adicional para completar tambien los "gaps" en información. Ahora se utiliza el nuevo modelo de la NASA, el <u>NASADEM</u>. - Hay una **mejora en el la calibración radiométrica**. Se incluyen mejoras a la calibración radiométrica de Landsat 5 y 8, incorporando ahora una corrección para las bandas TIRS. - **Productos atmosféricos auxiliares a escala Global**. - **Bandas QA consistentes**. Se armoniza la codificación entre las bandas QA de los diferentes sensores. Adicionalmente, se incorporan además bandas QA para el nivel de procesamiento 1. - **Consistencia entre los metadatos**. Se generaron grandes mejoras en los metadatos entre la colección 1 y 2 en el nivel 1. - Disposición de **Datos en la nube** para su procesamiento. --- ### Flujo de Trabajo: Ejemplo Landsat #### Tipo de producto **Real Time** (solo para LC08) son imagenes disponibles para su descarga pero sin los controles de calidad internos, las cuales requieren de un tiempo de evaluación y ajustes de calibración. **Tier 2** son escenas que no cumplen los criterios para ser T1. Tienen la misma calidad radiométrica que T1, pero no cumplen con los estándares geométricos debido a que las condiciones atmosféricas pueden impedir el control terrestre. **Tier 1** son escenas con mayor calidad de información disponible, adecuadas para el análisis de series de tiempo. Imágenes corregidas geométricamente e intercalibrada entre sensores. --- ### Abriendo una imagen satelital en R usando RStoolbox ```r #install.packages("RStoolbox") library(RStoolbox) meta <- readMeta("C:/YourFolder/LC08_L1TP_001085_20161207_20200905_02_T1_MTL.txt") summary(meta) # Resumen del metadato ``` --- ### Abriendo una imagen satelital en R usando RStoolbox ```r meta$COLLECTION # Colección y nivel del producto ``` ``` ## collection tier ## "02" "T1" ``` ```r calrad <- meta$CALRAD # Ganancia y compensación calrad ``` ``` ## offset gain ## B1_dn -64.69457 0.01293900 ## B2_dn -66.24803 0.01325000 ## B3_dn -61.04700 0.01220900 ## B4_dn -51.47827 0.01029600 ## B5_dn -31.50213 0.00630040 ## B6_dn -7.83429 0.00156690 ## B7_dn -2.64058 0.00052812 ## B8_dn -58.25923 0.01165200 ## B9_dn -12.31175 0.00246230 ## B10_dn 0.10000 0.00033420 ## B11_dn 0.10000 0.00033420 ``` --- ### Abriendo una imagen satelital en R usando RStoolbox ```r st <- stackMeta(file= meta) # Cargamos nuestra imagen desde el metadato dataType(st) # consultamos su tipo de dato ``` ``` ## [1] "INT2U" "INT2U" "INT2U" "INT2U" "INT2U" "INT2U" "INT2U" "INT2U" "INT2U" ## [10] "INT2U" ``` <center><img src="data:image/png;base64,#datatype.png" width="500px"/></center> --- ### Combinación de bandas ```r plotRGB(x=st, r=4,g=3,b=2,stretch="lin") ``` <img src="data:image/png;base64,#Procesamiento_files/figure-html/unnamed-chunk-5-1.png" width="100%" /> --- ### Combinación de bandas ```r plotRGB(x=st, r=4,g=5,b=2,stretch="lin") ``` <img src="data:image/png;base64,#Procesamiento_files/figure-html/unnamed-chunk-6-1.png" width="100%" /> --- ### Calibración Radiométrica En un gran número de sensores (TM, ETM+, OLI, ALI, etc.) se establece la conversión a **radianza espectral** en base a una **relación lineal** existente entre el **nivel digital bruto** y los valores de radianza. Aunque siempre se deben consultar los manuales de usuario de cada uno de los productos que estemos empleando. De tal forma que la ecuación que describre la radianza espectral, según Chander et al. (2009), es: -- `\(L{\lambda}=G{rescale} * Q{cal}+B{rescale}\)` dónde $$ `\begin{align} L{\lambda}: && \text{Radianza espectral aparente (TOA)}\\ Q{cal}: && \text{Valor de píxel calibrado} \\ G{rescale}: && \text{Factor de ganancia específico para la banda}\\ && {[(W/(m^2 sr \mu m))/ND]}\\ B{rescale}: && \text{Factor de sesgo de escala específico para la banda}\\ && {[(W/(m^2 sr \mu m))]} \end{align}` $$ --- ### Calibración Radiométrica <center><img src="data:image/png;base64,#atmcor2.png" width="800px"/></center> --- ### Calibración Radiométrica En el caso del Sensor OLI y OLI 2 (de Landsat 8 y 9 respectivamente) utilizaremos la siguiente fórmula. `\(L{\lambda}=M{L} * Q{cal}+A{L}\)` dónde $$ `\begin{align} L{\lambda}: && \text{Radianza espectral aparente (TOA)}\\ Q{cal}: && \text{Valor de píxel calibrado} \\ M{L}: && \text{Factor multiplicativo de escalado}\\ A{L}: && \text{Factor aditivo de escalado}\\ \end{align}` $$ --- ### Calibración Radiométrica #### Radianza TOA ```r # Opción 1: Band*Gain+Offset rad1 <- st[[1:7]]*calrad$gain[1:7]+calrad$offset[1:7] dataType(rad1) ``` ``` ## [1] "FLT4S" ``` --- ### Calibración Radiométrica #### Radianza TOA (Top of Atmosphere) ```r hist(st[[5]],main="DIGITAL NUMBERS") hist(rad1[[5]],main="RADIANCE TOA") ``` <img src="data:image/png;base64,#Procesamiento_files/figure-html/unnamed-chunk-9-1.png" width="100%" /> --- ### Calibración Radiométrica #### Radianza TOA (Top of Atmosphere) ```r # Opcion 2: Funcion radCor() rad2 <- radCor(st, metaData=meta, method="rad" ) hist(rad1[[5]],main="RADIANCE TOA (1)") hist(rad2[[5]],main="RADIANCE TOA (2)") ``` <img src="data:image/png;base64,#Procesamiento_files/figure-html/unnamed-chunk-11-1.png" width="100%" /> --- ### Corrección Atmósferica <center><img src="data:image/png;base64,#CORRECCION_ATMOS.gif" width="800px"/></center> --- ### Corrección Atmósferica #### Reflectancia aparente o TOA ```r toa.ref <- radCor(st, metaData=meta, method="apref") dataType(toa.ref) ``` ``` ## [1] "FLT4S" "FLT4S" "FLT4S" "FLT4S" "FLT4S" "FLT4S" "FLT4S" "FLT4S" "FLT4S" ## [10] "FLT4S" ``` <img src="data:image/png;base64,#Procesamiento_files/figure-html/unnamed-chunk-13-1.png" width="100%" /> --- ### Corrección Atmósferica <center><img src="data:image/png;base64,#imagen.7.png" width="800px"/></center> --- ### Corrección Atmósferica #### Clasificación de correcciones atmosférica: - **Mediciones _in situ_** - **Mixtas** Ejemplo: Landsat Ecosystem Disturbance Adaptative Processing System (LEDAPS) y Land Surface Reflectance Code (LaSRC). - **A partir de modelos físicos de transferencia radiativa** Ejemplos: Second Simulation of a Satellite Signal in the Solar Spectrum (6S vector version), Multi-angle implementation of atmospheric correction (MAIAC) o Fast Line-of-sight Atmospheric Analysis of Hypercubes (FLAASH). - **Con datos de la propia imágen** Ejemplos: Simple Dark Object Subtracticon (sDOS), Sen2Cor, ACOLITE, --- ### Corrección Atmósferica #### Método sDOS ```r bands <- c("B2_dn","B3_dn","B4_dn","B5_dn") haze <- estimateHaze(st,darkProp = 0.01, hazeBands = bands) ref.sdos <- radCor(st, metaData=meta,hazeValues = haze, method="sdos") hist(ref.sdos[[5]]) ``` <img src="data:image/png;base64,#Procesamiento_files/figure-html/unnamed-chunk-14-1.png" width="100%" /> --- ### Corrección Atmósferica #### Método DOS ```r ref.dos <- radCor(st[[2:5]], metaData=meta,darkProp = 0.01, method="dos") ``` --- ### Corrección Atmósferica #### Producto Surface Reflectance de Landsat <center><img src="data:image/png;base64,#libro.png" width="650px"/></center> --- ### Corrección Atmósferica #### Producto Surface Reflectance de Landsat <center><img src="data:image/png;base64,#escalas.png" width="650px"/></center> --- ### Bibliografía Avdan & Jovanovska (2016) Algorithm for Automated Mapping of Land Surface Temperature Using LANDSAT 8 Satellite Data. Journal of Sensors. Volume 2016. https://doi.org/10.1155/2016/1480307 Gyanesh Chander, Brian L. Markham, Dennis L. Helder (2009) Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors, Remote Sensing of Environment, Volume 113, Issue 5, https://doi.org/10.1016/j.rse.2009.01.007. A. Barsi, J. L. Barker and J. R. Schott (2003) "An Atmospheric Correction Parameter Calculator for a single thermal band earth-sensing instrument," IGARSS 2003. 2003 IEEE International Geoscience and Remote Sensing Symposium. Proceedings (IEEE Cat. No.03CH37477), 2003, pp. 3014-3016 vol.5, doi: 10.1109/IGARSS.2003.1294665. King Michael D., Kaufman Yoram J., Tanré Didier, and Nakajima Teruyuki (1999) Remote Sensing of Tropospheric Aerosols from Space: Past, Present, and Future. American Meteorological Society. Volumen 80. Issue 11. https://doi.org/10.1175/1520-0477(1999)080<2229:RSOTAF>2.0.CO;2 --- ### Bibliografía Wegmann M., Leutner B., Dech S. (2016) Remote Sensing and GIS for Ecologists Using Open Source Software. Ed. Pelagic Sobrino J.A., Ed. (2000) Teledección. AECI. Zhang M., Hu C., Kowalewski M.G., Janz S.J., Lee Z. & Wei J. (2017) Atmospheric correction of hyperspectral airborne GCAS measurements over the Louisiana Shelf using a cloud shadow approach. International Journal of Remote Sensing. https://doi.org/10.1080/01431161.2017.1280633 Zhengming Wan and J. Dozier (1996) "A generalized split-window algorithm for retrieving land-surface temperature from space," in IEEE Transactions on Geoscience and Remote Sensing, vol. 34, no. 4, pp. 892-905, July 1996, doi: 10.1109/36.508406. --- class: inverse middle